标签：disp Right img Unsupervised self Monocular build image left

定义MonodepthModel类
**def init**的第一个参数必须为delf

self.params = params
self.mode = mode
self.left = left
self.right = right

self.model_collection已训练模型
reuse_variables=none

self.build_model()
self.build_output()

如果是test模式，不进行build.losses和build_summaries

gradiebt_x（self,img）函数：猜测是计算img中x方向的梯度

upsample_nn(x,ratio)函数
：上采样，使用最近邻插值将X调整为【h* ratio,w*ratio】

scale_pyramid（img,num_scales） 没看太懂，大概在搭建图像金字塔

generate_image_left、generate_image_left 双线性采样（bilinear_sampler.py）

SSIM函数：定义SSIM运算方程

def get_disparity_smoothness(self, disp, pyramid)：计算视差平滑度
disp_gradients_x、y:计算disp的x、y方向的偏导
image_gradients_x、y：计算img的x、y方向的偏导

disp = 0.3 * self.conv(x, 2, 3, 1, tf.nn.sigmoid)：进行网络架构搭建

网络架构

def conv(self, x, num_out_layers, kernel_size, stride, activation_fn=tf.nn.elu):

默认激励函数：ELU

标签：disp,Right,img,Unsupervised,self,Monocular,build,image,left
来源： https://blog.csdn.net/weixin_42017587/article/details/100658183

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。